teste01

PARTE I – Cuidados antes de começar a rodar os códigos no R

Pensar quais orientações são mais gerais e quais são importantes de acompanhar cada código.

Rstudio/Pacotes/versões/sistemas operacionais

Sobre os pacotes, seria bom ter uma listinha de ‘library’ no início de cada código? Talvez com uma breve explicação do que cada pacote faz, versão mínima… não sei.

OBS: essa tabela é uma referência para obtermos as versões dos pacotes ao final do desenvolvimento do script. Ela está automatizada, então quando terminarmos ele precisamos refaze-lo de forma que não gere mais mudança nas versões (tem que fazer a tabela na mão mesmo…).

# gerar informações sobre os pacotes carregados
info <- sessionInfo()

# gerar tabela com os pacotes e versões
tibble::tribble(
  ~Pacotes,                         ~Versão,
  version$language,                 version$version.string,
  info$otherPkgs$dplyr$Package,     info$otherPkgs$dplyr$Version,
  info$otherPkgs$Distance$Package,  info$otherPkgs$Distance$Version,
  info$otherPkgs$DT$Package,        info$otherPkgs$DT$Version,
  info$otherPkgs$flextable$Package, info$otherPkgs$flextable$Version,
  info$otherPkgs$ggplot2$Package,     info$otherPkgs$ggplot2$Version,
  info$otherPkgs$plotly$Package,    info$otherPkgs$plotly$Version,
  info$otherPkgs$readr$Package,     info$otherPkgs$readr$Version,
  info$otherPkgs$readxl$Package,     info$otherPkgs$readxl$Version,
  info$otherPkgs$tibble$Package,    info$otherPkgs$tibble$Version,
  info$otherPkgs$tidyr$Package,     info$otherPkgs$tidyr$Version
) |> 
  qflextable() |> 
  set_caption(
    "Tabela xx - configuração de pacotes necessários e respectivas versões mínimas que devem ser utilizadas para reproduzir os códigos"
  )

Pacotes	Versão
R	R version 4.2.3 (2023-03-15)
dplyr	1.1.1
Distance	1.0.7
DT	0.27
flextable	0.9.1
ggplot2	3.4.2
plotly	4.10.1
readr	2.1.4
readxl	1.4.2
tibble	3.2.1
tidyr	1.3.0

Cuidados com a planilha .xlsx que será importada (para que mantenha o padrão da planilha de referência do ICMBio)

Algumas funções foram escritas para funcionar tomando como base de dados de referência a planilha em formato excel Planilha Oficial consolidada de Masto-aves 2014-21 Validada CEMAVE CPB CENAP.xlsx disponibilizada pelo Projeto Monitora. Estas funções carregam os dados e fazem uma série de transformações para devolve-los no formato padronizado do programa DISTANCE para Windows. Portanto, para garantir a reprodutibilidade dos códigos produzidos em versões atualizadas da base de dados do Monitora, é importante tomar alguns cuidados.

O primeiro e mais importante cuidado é manter os mesmos nomes das colunas em versões atualizadas da base de dados do Monitora. As primeiras funções, além de carregar os dados, aplicam uma série de transformações. Os nomes das colunas são alterados, e a essas são atribuídos tipos (data, caracter, fator , inteiro e numérico), linhas são eliminadas e novas colunas são gereadas. Para exemplificar, veja o código abaixo. Ele foi escrito para executar as primeiras transformações nos dados e constitui o corpo da função carregar_dados_filtrados().

# carregar a base de dados do Monitora
dados_brutos <- carregar_dados_brutos_xlsx()

# gerar o data.frame desejado
dados_completos <- dados_brutos |>  
  # selecionar as colunas necessárias para as analises, padronizando os nomes para o formato DISTANCE
  dplyr::select(
    uc_code = CDUC,
    uc_name = `Local - Nome da Unidade de Conservação`,
    ea_number = `Número da Estação Amostral`,
    ea_name = `Nome da EA`,
    season = `Estação do ano`,
    sampling_day = `data da amostragem`,
    day_effort = `Esforço de amostragem tamanho da trilha (m)`,
    sp = `Espécies validadas para análise do ICMBio`,
    distance = `distância (m)     do animal em relação a trilha`,
    group_size = `n° de animais`,
    observadores = `nome dos observadores`
  ) |>
  # atribuir os tipos corretos às colunas e criar novas colunas
    dplyr::mutate(
      uc_category = stringi::stri_extract_first_words(
      uc_name
    ),
    # abrevia o nome das UCs
    uc_name_abv = forcats::lvls_revalue(
      uc_name,
      new_levels = c(
        "ETM", "EM", "EN", "ESGT", "FJ", "PCV", "PA", "PSBoc", "PSBod", "PSC",
        "PSM", "PSC", "PSD", "PSP", "PSO", "PPN", "PCO", "PI", "PJaú", "PJur",
        "PMR", "PS", "PV", "PCA", "PMT", "RG", "RJ", "RTap", "RU", "RG",
        "RTrom", "RAT", "RBA", "RCI", "RCM", "RRC", "RROP", "RIA", "RRA", "RTA"
      )
    ),
      # atribuir o tipo data à coluna sampling_day
      year = lubridate::year(
        sampling_day
      ),
      # atribuir o tipo fator às colunas do tipo caracter
      across(
        where(
          is.character
        ),
        as.factor
      ),
      # substituir separadores de nome por ","
      novo = stringr::str_replace_all(
        observadores, 
        " e ",
        ", "
      ),
      # substituir separadores de nome por ","
      novo = stringr::str_replace_all(
        novo, 
        " E ",
        ", "
      ),
      # substituir separadores de nome por ","
      novo = stringr::str_replace_all(
        novo, 
        "/",
        ", "
      ),
      # substituir separadores de nome por ","
      novo = stringr::str_replace_all(
        novo, 
        ";",
        ", "
      ),
      # substituir separadores de nome por ","
      novo = stringr::str_replace_all(
        novo, 
        " a ",
        ", "
      ) 
    ) |>
  # transformar os nomes dos observadores da coluna novo em colunas individuais
tidyr::separate_wider_delim(
  novo, 
  ",",
  names = c(
    "obs1", "obs2", "obs3", "obs4", "obs5", "obs6"
  ),
  too_few = "align_start"
) |> 
  # gerar uma nova coluna number_observers com o número total de observadores em um mesmo transecto
  dplyr::mutate(
    # se o valor da observação é diferente de NA, substituir por 1, se for NA, substituir por 0
    obs1 = ifelse(!is.na(obs1), 1, 0),
    obs2 = ifelse(!is.na(obs2), 1, 0),
    obs3 = ifelse(!is.na(obs3), 1, 0),
    obs4 = ifelse(!is.na(obs4), 1, 0),
    obs5 = ifelse(!is.na(obs5), 1, 0),
    obs6 = ifelse(!is.na(obs6), 1, 0),
    # gera nova coluna number_observers a partir da soma das colunas de observadores individuais
    number_observers = obs1 + obs2 + obs3 + obs4 + obs5 + obs6
  ) |> 
  # agrupar os dados pelas colunas ea_name e sampling_day
  group_by(
    ea_name, 
    sampling_day
  ) |> 
  # aninhar as observações agrupadas uem listas
  nest() |> 
  # completar com o valor correto as linhas vazias das da variável day_effort
  mutate(
    day_effort2 = purrr::map(
      data, \(.x) rep(
        .x$day_effort[
          !is.na(
            .x$day_effort
          )
        ][1]
      )
    )
  ) |> 
  # desanihar os dados
  unnest(
    c(
      data, 
      day_effort2
    )
  ) |> 
  # desagrupar os dados
  ungroup() |> 
  # selecionar as colunas desejadas e excluir as indesejadas
  select(
    tidyselect::starts_with(c("uc", "ea")),
    season,
    year,
    sampling_day,
    day_effort = day_effort2,
    sp:number_observers,
    -day_effort,
    -tidyselect::starts_with("obs")
  ) |>
  # filtrar os dados pela UC e espécie desejadas
    dplyr::filter(
      uc_name == "Resex Tapajós-Arapiuns",
      sp == "Dasyprocta croconota"
    ) |> 
  relocate(
    uc_category,
    .before = uc_name
  ) |> 
  relocate(
    uc_name_abv,
    .after = uc_name
  )

dados_completos

# A tibble: 1,355 × 14
   uc_code uc_category uc_name        uc_name_abv ea_name ea_number season  year
     <dbl> <fct>       <fct>          <fct>       <fct>       <dbl> <fct>  <dbl>
 1     259 Resex       Resex Tapajós… RTA         Boim            1 Chuvo…  2015
 2     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 3     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 4     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 5     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 6     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 7     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 8     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 9     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
10     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
# ℹ 1,345 more rows
# ℹ 6 more variables: sampling_day <dttm>, day_effort <dbl>, sp <fct>,
#   distance <dbl>, group_size <dbl>, number_observers <dbl>

# gerar tabela dinâmica dos dados completos
dados_completos |> 
  slice(
    1:1000
  ) |> 
  datatable(
    filter = list(
      position = "top"
    )
  )

O trecho do código que vai da linha 101 a 113 serve selecionar apenas as colunas de interesse presente nos dados originais. Note que os nomes das planilhas originais constam nesse trecho. Caso o nome de qualque uma dessas colunas seja alterado a função deixará de funcionar.

Outro aspecto importante é a presença de observações não preenchidas (ex. células vazias) nos dados originais. A função foi desenha para resolver alguns problemas presentes nos dados originais. Por exemplo, nas o trecho do código das linhas xx a xx as observações vazias (NAs) são substituidas pelo valor correto na coluna day_effort. Essa correção continnuará sendo realizada em versões atualizadas dos dados do Monitora. Porém, se outras colunas além das que estão sendo corrigidas possuirem observações vazias os dados serão carregados e transformados, porém outras funções podem ter o seu funcionamento comprometido. Por exemplo… (funções de visualização e do pacote distance que podem naõ funcionar devido a ausência de observação)

Dentre todas as funções de carregamento de dados, apenas carregar_dados_brutos() carrega a base de dados originais do Monitora, diretamente do diretório data-raw/monitora_masto_aves_2023_04_04.xlsx. Ao mesmo tempo que carrega e transforma os dados, essa função gera uma versão em um formato mais leve, .rds, no diretório data-raw (data-raw/monitora_masto_aves_2023_04_04.rds). A função seguinte no fluxo de trabalho carrega a base a partir dessa versão mais leve. Logo, sempre que houver atualizações no arquivo original de dados brutos é necessário iniciar a rotina de carregamento de dados necessariamente com a função carregar_dados_brutos().

Outros cuidados…

Imaginando que a planilha de dados do monitora é algo dinâmico, que o nome das colunas pode ser editado…

Como abrir os arquivos: como salvar e descompactar a pasta. Abrir projeto

Um passo a passo de como salvar arquivo com os códigos e abrir.. Por exemplo, da forma como está é interessante descompactar a pasta e acessar os arquivos abrindo o projeto. Acho que isso pode mudar, dependendo de como viermos a entregar o produto final. Então podemos pensar nessa explicação no final.

Cuidados com diretório

Se a gente ainda precisar ter algum tipo de preocupação quanto a isso. Acho que não. Explicar a estrtura de diretórios do projeto.

Como rodar cada tipo de arquivo (markdown, shiny)

Não é trivial para quem não está acostumado… usar runApp, knit… até mesmo o shift+enter para rodar as linhas de comando uma a uma

PARTE II – Carregando os dados para o R

Dados brutos

Não precisa se assustar com a infnidade de códigos no exemplo acima. Serviu apenas para ilustrar que construir essas funções facilita a execução e a reprodutibilidade das análise dos dados do Monitora. Para cada tarefa existe uma função cujo funcionamento não necessita de preenchimento dos argumentos (embora seja possível fornece-los). Por traz das cortinas, as funções executam as tarafas necessárias para se obter o resultado desejado. Por exemplo, o mesmo resultado pode ser obtido utilizando apenas duas funções: carregar_dados_brutos_xlsx()e gerar_tabdin_dados_brutos().

# carregar dados brutos
dados_brutos <- carregar_dados_brutos_xlsx()
dados_brutos

# A tibble: 27,887 × 30
    CDUC Local - Nome da Unidade de Conser…¹ Número da Estação Am…² `Nome da EA`
   <dbl> <chr>                                                <dbl> <chr>       
 1    47 Esec da Terra do Meio                                    1 Trilha da F…
 2    47 Esec da Terra do Meio                                    1 Trilha da F…
 3    47 Esec da Terra do Meio                                    1 Trilha da F…
 4    47 Esec da Terra do Meio                                    1 Trilha da F…
 5    47 Esec da Terra do Meio                                    1 Trilha da F…
 6    47 Esec da Terra do Meio                                    1 Trilha da F…
 7    47 Esec da Terra do Meio                                    1 Trilha da F…
 8    47 Esec da Terra do Meio                                    1 Trilha da F…
 9    47 Esec da Terra do Meio                                    1 Trilha da F…
10    47 Esec da Terra do Meio                                    1 Trilha da F…
# ℹ 27,877 more rows
# ℹ abbreviated names: ¹​`Local - Nome da Unidade de Conservação`,
#   ²​`Número da Estação Amostral`
# ℹ 26 more variables: `Esforço de amostragem tamanho da trilha (m)` <dbl>,
#   `data da amostragem` <dttm>, Ano <dbl>, `Estação do ano` <chr>,
#   `horário de início  (h:mm)` <dttm>, `horário de término (h:mm)` <dttm>,
#   `Tempo de censo` <dttm>, `velocidade (km/h)` <dbl>, …

gerar_tabdin_dados_brutos()

A função gerar_tabdin_dados_brutos(), por configuração, gera uma tabela dinâmica com 1000 linhas. Você pode controlar o número de linhas pelo argumento n_linhas =. Mas atenção! Ela não funcionará com um número superior a 4.500 linhas. Ao mudar a entrada de dados usando o argumento dados =, certifique-se de que seu número de linhas não exceda esse limite (ex. 4.500). INSERIR NOTA (após testar em máquinas diferentes) Esse valor pode varia de acordo com as configurações da sua máquina.

gerar_tabdin_dados_brutos(
  n_linhas = 1:4500
)

Dados completos

• todas espécies/UCs – carrega_dados_1.Rmd Descrever o que os dados trazem e porque foram formatados dessa forma.

# carregar dados para o R
dados_completos <- carregar_dados_completos() 
dados_completos

# A tibble: 27,887 × 16
   uc_code uc_category uc_name        uc_name_abv ea_name ea_number season  year
     <dbl> <fct>       <fct>          <fct>       <fct>       <dbl> <fct>  <dbl>
 1      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 2      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 3      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 4      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 5      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 6      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 7      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 8      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 9      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
10      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
# ℹ 27,877 more rows
# ℹ 8 more variables: sampling_day <dttm>, day_effort <dbl>, sp <fct>,
#   validation <fct>, distance <dbl>, group_size <dbl>, number_observers <dbl>,
#   cense_time <drtn>

tabela dinamica

# gerar tabela dinamica dos dados completos
gerar_tabdin_dados_completos()

Dados filtrados

• por espécie/UC – carrega_dados_2.Rmd até o momento usado com o exemplo da cutia na Resex Tapajós-Arapiuns Descrever o que os dados trazem e porque foram formatados dessa forma.

# carregar dados para o R
dados_filtrados <- carregar_dados_filtrados()
dados_filtrados

# A tibble: 1,355 × 16
   uc_code uc_category uc_name        uc_name_abv ea_name ea_number season  year
     <dbl> <fct>       <fct>          <fct>       <fct>       <dbl> <fct>  <dbl>
 1     259 Resex       Resex Tapajós… RTA         Boim            1 Chuvo…  2015
 2     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 3     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 4     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 5     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 6     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 7     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 8     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
 9     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
10     259 Resex       Resex Tapajós… RTA         Boim            1 Seca    2015
# ℹ 1,345 more rows
# ℹ 8 more variables: sampling_day <dttm>, day_effort <dbl>, sp <fct>,
#   validation <fct>, distance <dbl>, group_size <dbl>, number_observers <dbl>,
#   cense_time <drtn>

# gerar tabela dinâmica
gerar_tabdin_dados_filtrados()

Parte III – Transformando dados para Distance

Dados completos

• todas espécies/UCs – transformar_para_distanceR.Rmd

# transformar os dados para o formato do Distance
dados_distanceR_completo <- transformar_para_distanceR()
dados_distanceR_completo

# A tibble: 27,887 × 13
   uc_code uc_name ea_number Region.Label  year season  Area Sample.Label       
     <dbl> <fct>       <dbl> <fct>        <dbl> <fct>  <dbl> <dttm>             
 1      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 2      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 3      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 4      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 5      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 6      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 7      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 8      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
 9      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
10      47 Esec d…         1 Trilha da F…  2014 Seca       0 2014-10-22 00:00:00
# ℹ 27,877 more rows
# ℹ 5 more variables: Effort <dbl>, sp <fct>, distance <dbl>, size <dbl>,
#   number_observers <dbl>

# gerar tabela dinamica dos dados no formato do distance do R
gerar_tabdin_dados_distanceR_completo()

Em princípio tudo certo até aqui.

# transformar os dados para o formato do Distance
dados_distance_r_covariaveis <- transformar_para_distanceR_covariaveis()
dados_distance_r_covariaveis

# A tibble: 27,887 × 9
   Region.Label  Area Sample.Label Effort distance  year  size cense_time object
   <fct>        <dbl> <date>        <dbl>    <dbl> <dbl> <dbl> <drtn>      <int>
 1 Trilha da F…     0 2014-10-22     4650     0     2014     2 280 mins        1
 2 Trilha da F…     0 2014-10-22     4650    13.4   2014     2 280 mins        2
 3 Trilha da F…     0 2014-10-22     4650     3.75  2014     1 280 mins        3
 4 Trilha da F…     0 2014-10-22     4650    13.5   2014     4 280 mins        4
 5 Trilha da F…     0 2014-10-22     4650     7.75  2014     1 280 mins        5
 6 Trilha da F…     0 2014-10-22     4650     1.7   2014     1 280 mins        6
 7 Trilha da F…     0 2014-10-22     4650     8.78  2014     1 280 mins        7
 8 Trilha da F…     0 2014-10-22     4650     0     2014     2 280 mins        8
 9 Trilha da F…     0 2014-10-22     4650     2.5   2014     1 280 mins        9
10 Trilha da F…     0 2014-10-22     4650     7.82  2014     1 280 mins       10
# ℹ 27,877 more rows

# tabdin de dados_distanceR_covariaveis
gerar_tabdin_dados_distanceR_completo_cov()

PARTE IV – Explorando e selecionando os dados para as análises

Selecionando os melhores modelos de estudo de acordo com os dados

Critŕios:

• espécies com maior volume de dados total
• maior volume de dados por UC – exploração_01.nb.html (acho que o .Rmd para gerar esse html não está na pasta Monitora). Eu tinha gostado bastante desse documento, com as tabelas dinâmicas. Talvez dê para selecionar as perguntas que são válidas de deixar/ tirar/ incluir. WWF - Projeto Monitora
• espécies validadas
• …

Exploração e seleção de dados

Aspectos relacionados ao número total de observações

Sistematizar os critérios utilizados para eliminar observações (linhas).

Pensar num esquema de árvore de decisão para se chegar ao subconjunto de dados que será analisados.

Quantas observações foram validadas para quais níveis taxonômicos?

Essas operações são realizadas sobre a tabela de dados dados_completos pois os dados que foram transformados para o formato do distace no R não possuem a coluna validation, necessária para essas opereações. Mais a frente o procedimento de como obter os dados selecionados e transformatos para o formato das análises será demonstrado.

# contar observações validadas ao nível de espécie
n_obs_validadas <- contar_n_obs_validadas()
n_obs_validadas

[1] 20790   318  6550    14   215

Foram selecionadas apenas as observações validadas ao nível de espécie, somando um total 20790 observações.

# gerar gráfico com número observações validadas para cada nível taxonômico
plotar_n_obs_validadas()

Filnalmente chegamos ao subconjunto dos dados que será utilizado para selecionar quais espécies serão analisadas.

# gerar tabela de dados selecionados
dados_selecionados <- carregar_dados_selecionados()
dados_selecionados

# A tibble: 20,790 × 16
   uc_code uc_category uc_name        uc_name_abv ea_name ea_number season  year
     <dbl> <fct>       <fct>          <fct>       <fct>       <dbl> <fct>  <dbl>
 1      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 2      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 3      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 4      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 5      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 6      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 7      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 8      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
 9      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
10      47 Esec        Esec da Terra… ETM         Trilha…         1 Seca    2014
# ℹ 20,780 more rows
# ℹ 8 more variables: sampling_day <dttm>, day_effort <dbl>, sp <fct>,
#   validation <fct>, distance <dbl>, group_size <dbl>, number_observers <dbl>,
#   cense_time <drtn>

# gerar tabdin dados_selecionados 
gerar_tabdin_dados_selecionados()

Quantas unidades de conservação ao todo?

# contar número total de UC's 
n_ucs <- contar_n_uc()
n_ucs

[1] 40

Os dados são provenientes de 40 unidades de conservação ao todo.

Quantas espécies ao todo?

n_sp <- contar_n_sp()
n_sp

[1] 209

Até aqui temos dados para 209 espécies.

Quantas observações por unidade de conservação ao todo?

As UC’s foram filtradas de acordo com o número de observações permitir a visualização.

A função de contagem de UC’s gerou 40 UC’s, mas só há observações para 38. Lembrar de verificar isso.

# contar número de observações por UC
n_obs_uc <- contar_n_obs_uc()
n_obs_uc

# A tibble: 38 × 3
   uc_name                       uc_name_abv     n
   <fct>                         <fct>       <int>
 1 Esec da Terra do Meio         ETM           983
 2 Esec Maracá                   EM            389
 3 Esec Niquiá                   EN             69
 4 Esec Serra Geral do Tocantins ESGT            5
 5 Flona do Jamari               FJ            686
 6 Parna da Amazônia             PA            535
 7 Parna da Serra da Bocaina     PSBoc          32
 8 Parna da Serra da Bodoquena   PSBod         102
 9 Parna da Serra da Cutia       PSC           475
10 Parna da Serra da Mocidade    PSM           140
# ℹ 28 more rows

Adicionar o nome completo da UC na caixa interativa do gráfico. Identificar os plotes com subtítulos ex tentar adicionar título aos plotes Adicionar nomes das UCs nos 3 primeiros gáficos (descompartilhar eixo x)

# plotar o número de observações por UC
plotar_n_obs_uc_interativo()

# gerar tabdin
gerar_tabdin_n_obs_uc()

Quantas observações para cada espécie?

Número de observações por espécie.

# contar total sp
n_obs_sp <- contar_n_obs_sp()
n_obs_sp

# A tibble: 168 × 2
   sp                             n
   <fct>                      <int>
 1 Aburria cujubi               124
 2 Aburria cumanensis            39
 3 Alouatta belzebul             60
 4 Alouatta caraya                2
 5 Alouatta discolor              3
 6 Alouatta guariba               2
 7 Alouatta guariba clamitans     1
 8 Alouatta juara                14
 9 Alouatta macconnelli         135
10 Alouatta nigerrima           119
# ℹ 158 more rows

Esse gráfico pode melhorar. Descompartilhar o eixo x? Abreviar o nome das espécies…

# plotar o o número de observações por UC
plotar_n_sp_uc_interativo()

Tabela interativa para consulta do número de observações por espécie.

# gerar tabela dinâmica com o número total de obsevações por espécie
gerar_tabdin_n_obs_sp()